Hay una escena que se repite en cada vez más despachos: un abogado descubre que una tarea que le tomaba 12 horas (revisar un contrato, clasificar y leer cientos de documentos, redactar un primer borrador) ahora la hace en 20 minutos con ayuda de un modelo de lenguaje grande (LLM). La reacción es de euforia y de desconcierto, porque en el mismo instante en que celebra la eficiencia, el sistema de facturación de su propia firma le está diciendo que acaba de destruir 11:30 horas de ingresos. Esa incomodidad es la señal de que la IA no es una herramienta más que se suma al arsenal del abogado, sino una fuerza que empuja a repensar el modelo de negocio completo.

La llegada de los agentes y la mejora constante de los modelos hacen que ese replanteamiento del negocio deje de ser una opción estratégica para volverse impostergable.

Vale la pena precisar una distinción técnica: no es lo mismo un chat que un agente. El primero es un copiloto que responde, resume, redacta, pero siempre dentro del flujo de trabajo existente y bajo la mano del abogado que lo interroga turno a turno. El segundo encadena tareas de principio a fin (planifica, consulta fuentes, ejecuta pasos intermedios, revisa su propio trabajo) y, al hacerlo, no acelera el flujo: lo reorganiza. La diferencia no es de grado sino de naturaleza, y es la línea que separa la  eficiencia individual del cambio organizacional.  El chat hace que cada abogado sea un poco más rápido; el agente obliga a repensar quién hace qué, cuándo y con qué estructura. La mayoría de las firmas se detiene en el primero porque es cómodo, cabe en lo que ya existe y no exige tocar nada.

En realidad, buena parte de lo que se presenta como uso organizacional de la IA es eficiencia individual con disfraz de transformación. El uso de IA que de verdad reorganiza es el que transforma el negocio y también el que incomoda.

Quién captura la productividad real de la IA legal

1. La IA y el modelo de negocio de las firmas

La contradicción que viven los abogados es la paradoja de la eficiencia. Bajo el modelo de la hora facturable, cada mejora de productividad se traduce en una factura más baja. Dicho de otro modo, la firma que factura por tiempo tiene un incentivo estructural en contra de ser eficiente. Durante décadas, esa contradicción permaneció latente, disimulada por márgenes cómodos, pero la IA la convierte en una crisis a la vista de todos. La pregunta (debatida hoy por consultores, economistas del derecho, socios administradores e inclusive los propios clientes de las firmas) es si estamos ante el fin estructural de la hora facturable o solo ante su cuestionamiento más serio hasta la fecha.

La evidencia empuja hacia la segunda respuesta: los datos de mercado más recientes de Thomson Reuters muestran que la enorme mayoría de los honorarios legales sigue fluyendo por esquemas horarios, y que las firmas cerraron su último ejercicio con utilidades récord. El modelo de cobro por hora sigue muy vigente, pero se dirige hacia una erosión progresiva.

Frente al escepticismo de quien piense que esto es futurismo, conviene recordar que en la práctica jurídica los casos de uso de IA ya son concretos y medibles: análisis masivo de documentos (revisiones que antes tomaban meses ahora se resuelven en días), expansión de la escala de asuntos que una firma puede atender, productización de servicios antes hechos a la medida, y reutilización sistemática del conocimiento y los precedentes acumulados. Paralelamente, cada vez hay más firmas cobrando por diferentes esquemas de tarifa fija en trabajos que antes se facturaban por hora. 

En esta coyuntura, a primera vista alarmante, vale la pena recordar la paradoja de Jevons. En el siglo XIX, William Jevons observó que mejorar la eficiencia en el uso del carbón no reducía su consumo, sino que lo disparaba, es decir, que al abaratarse el uso, aparecían usos nuevos. Con el trabajo legal puede ocurrir algo análogo, ya que si la IA abarata el costo de un servicio jurídico, no solo baja la factura por asunto, sino que vuelve rentable atender asuntos que antes no lo eran. Existe una enorme demanda legal latente (pequeñas empresas, personas físicas, prevención, etc.) que hoy no se atiende porque el precio de la hora facturable es económicamente prohibitivo, o bien, porque las firmas pequeñas que actualmente toman esos asuntos están limitadas, por su escala, para tomar más asuntos.

Bajar ese precio no tiene por qué encoger el mercado, más bien puede expandirlo. Esto, desde luego, no es aplicable en asuntos sofisticados en los que el cliente paga lo que haga falta. Aun así, la dirección es reveladora hacia un mercado más grande y más barato, no más pequeño, y reordena la pregunta por el excedente: quizá no gane quien cobre más caro cada asunto, sino quien pueda atender muchos más.

La capacidad de captar ese mercado hasta ahora inexplorado es parte del cambio organizacional al que obliga la IA y que no se puede lograr sin tocar las operaciones del negocio (desarrollo de negocio, envío de propuestas, inteligencia de precios, optimización de procesos de trabajo). El cambio organizacional aquí también es difícil, incómodo y escaso, pero es el único que transforma el negocio.

Ahora bien, si la hora deja de servir como medida, ¿con qué la reemplazamos? La productividad tiene que medirse de otra forma, y el único proxy no puede seguir siendo el tiempo facturado.

Una opción que ya se discute es la medición por tokens (las unidades de cómputo que consume un modelo) como complemento a las horas facturables, lo cual hace aún más sentido para medir el despliegue de agentes. Pero el token replantea, a nivel estructural, muchas premisas sobre la naturaleza del trabajo jurídico, su asignación y su valor. Y arrastra un problema de fondo: mide costo, no valor. Un token no distingue el trabajo brillante del mediocre (igual que la hora nunca lo hizo, solo que la hora lo disimulaba mejor). Cambiar de unidad sin cambiar de lógica sería repetir el error con otro nombre.

Bajo esta lógica, el retorno de la inversión en IA no debería medirse por horas ahorradas, sino por impacto en la rentabilidad. El ROI real se lee en variables como nuevos modelos de precios, expansión de la capacidad para atender clientes, ingresos adicionales y mejora de márgenes, mejor experiencia del cliente y una posición competitiva más fuerte (todo ello, idealmente, sin aumentar considerablemente la plantilla, lo cual plantea interrogantes para el desarrollo profesional y la creación de nuevos roles que ameritan un análisis separado).

El desajuste está en la práctica: la mayoría de las firmas sigue midiendo por uso y por tiempo, y buena parte de los pilotos de IA no logra demostrar impacto alguno en la cuenta de resultados. La promesa es de rentabilidad, mientras que el comportamiento todavía es de cronómetro.

Y aquí llega la pregunta más incómoda: si la IA reduce el costo de producir trabajo legal, ¿quién se queda con el excedente: la firma, vía margen; el cliente, vía precio; o la competencia lo disipa? La respuesta convencional supone que hay un excedente que repartir. Es cuestionable que lo haya.

Las firmas tienen que invertir sumas considerables en modelos, en infraestructura de datos, nuevos roles y en capacitación para implementar la IA con seriedad y ese costo no se comporta como un gasto único, sino como un nuevo overhead estructural y recurrente.

Los datos de gasto del sector, publicados por Thomson Reuters, ya lo insinúan: la inversión en tecnología y en gestión del conocimiento crece muy por encima de la inflación, al tiempo que los clientes presionan por recortes. Puede que la pregunta correcta no sea quién captura la ganancia, sino quién sobrevive a la inversión.

2. Tenemos que hablar de los datos

Si el retorno no está (o no todavía) en el ahorro de costos, ¿dónde está?. La respuesta apunta a un activo que las firmas tienen delante y casi ninguna explota: sus datos. Los abogados están sentados sobre una mina de oro (precedentes, escritos, cláusulas negociadas, históricos de operaciones, inteligencia de precios y de negocio). Sin embargo, muy pocas organizaciones trabajan seriamente para construir la infraestructura que permita clasificar y explotar toda esa información jurídica y operativa. El punto es técnico y estratégico: sin datos ordenados y estructurados, los agentes de IA rinden una fracción de su potencial. Se compra el motor y se deja vacío el tanque.

La revolución copernicana del derecho: ¿Por qué los abogados que no tengan formación en IA quedarán fuera del juego?

Durante décadas, los grandes despachos ganaron clientes y asuntos por talento y por marca. En un mundo donde todos acceden al mismo modelo de frontera (el mismo que usa el competidor de enfrente), la ventaja competitiva migra hacia quien tenga los datos propios y procesos mejor estructurados. Un despacho boutique con datos y procesos limpios y bien gobernados está en condiciones de superar a un gigante en desorden. Conviene, eso sí, no idealizar: construir esa infraestructura es caro y sigue favoreciendo, en parte, a quien tiene más capital para invertir. La dirección es clara: el foso defensivo del futuro no es el prestigio, es el dato. Esto, por definición, es lo único que un proveedor tecnológico no puede vender, porque pertenece a cada firma.

3. El camino a seguir

La promesa dice que la IA transformará el ejercicio del derecho; sin embargo, el comportamiento dominante dice otra cosa. El riesgo más real no es que las firmas ignoren la IA porque casi todas ya la usan, sino la falsa transformación: adoptarla para hacer exactamente lo mismo un poco más rápido, declarar victoria y no tocar el modelo de negocio. Cuando todos automatizan las mismas tareas al mismo tiempo, nadie se adelanta. La mayoría de las organizaciones se quedará precisamente en la capa superficial, pero esa es la mejor de las noticias para la minoría que se atreva a ir más hondo. La oportunidad no está en usar la herramienta, sino en rediseñar la empresa alrededor de ella.

¿Qué separa a esa minoría del resto? No es comprar más licencias, sino desarrollar una competencia específica, organizada en cuatro fases: 

1. Diagnosticar: identificar las oportunidades de alto impacto, construir los casos de negocio y gestionar el cambio. 
2. Diseñar: rediseñar los flujos de trabajo, definir métricas de ROI que midan rentabilidad y no tiempo, y alinear a los interesados. 
3. Desplegar: llevar esos flujos de extremo a extremo, integrarlos con los sistemas existentes y capacitar a los equipos. 
4. Medir: dar seguimiento al retorno y expandir hacia nuevos casos de uso. 

Esto se dice fácil, pero la realidad es que dado que la enorme mayoría de las organizaciones no hace esto, terminan con pilotos de IA que se estancan antes de generar valor. No obstante, eso no contradice este marco, sino que lo justifica: precisamente porque la ejecución fracasa tan seguido hace falta expertise deliberado en cada una de las cuatro fases.

La conclusión, entonces, no es un llamado al entusiasmo ni a la resignación, sino al realismo. Esto no es una carrera por ahorrar horas: es una apuesta de capital con resultado incierto, cuyo verdadero premio está en un activo (los datos) que las firmas ya poseen, pero no han aprendido a explotar. Quien use la IA para hacer lo mismo de siempre, un poco más rápido, perderá. Quien reconstruya su modelo de negocio, sus procesos y su infraestructura de datos alrededor de ella definirá la próxima década de la profesión.

*Patricia Villa Berger es Legal Advisor en Legal Ops y Legal Tech en KermaPartners; Dan Safran es CEO de Unbiased Consulting; y Adolfo De Unánue es Director del Centro de Ciencia de Datos (ITESM)